آموزش پروژه‌ محور یادگیری ماشین در پایتون – ویژه مهندسی مکانیک + گواهینامه

آموزش پروژه‌ محور یادگیری ماشین در پایتون – ویژه مهندسی مکانیک + گواهینامه

آموزش ​پروژه محور یادگیری ماشین ویژه مهندسین مکانیک

تریلر دوره

توضیحات کامل دوره

یادگیری ماشین چیست؟ یادگیری ماشین یا Machine Learning شاخه‌ای از هوش مصنوعی است که سیستم‌ها از طریق آن بدون نیاز به برنامه‌نویسی صریح، از داده‌ها یاد می‌گیرند و عملکرد خود ...

یادگیری ماشین چیست؟

یادگیری ماشین یا Machine Learning شاخه‌ای از هوش مصنوعی است که سیستم‌ها از طریق آن بدون نیاز به برنامه‌نویسی صریح، از داده‌ها یاد می‌گیرند و عملکرد خود را بهبود می‌دهند. این فرایند با استفاده از الگوریتم‌ها و مدل‌های ریاضی انجام می‌شود که به کامپیوترها کمک می‌کنند تا الگوها و روابط موجود در داده‌ها را شناسایی کنند و بر اساس آن‌ها تصمیم‌گیری کنند. یادگیری ماشین به سه نوع اصلی دسته‌بندی می‌شود که شامل یادگیری نظارت‌شده، یادگیری بدون نظارت و یادگیری تقویتی است.

اهمیت یادگیری ​پروژه‌محور یادگیری ماشین برای مهندسین مکانیک چیست؟

با توجه به پیشرفت‌های روزافزون در زمینه تکنولوژی‌های نوین در حیطه مهندسی، امروزه نیاز به هوشمندسازی سیستم‌ها و مدل‌ها بیش از پیش حس می‌شود. هوش مصنوعی یکی از قدرتمندترین ابزارهایی است که در سال‌های اخیر توجه محققان را بر خود جلب کرده و به فرایند هوشمندسازی مدل‌های مهندسی سرعت بخشیده است. یکی از زیرمجموعه‌های قدرتمند الگوریتم‌های هوش مصنوعی، یادگیری ماشین است. یادگیری ماشین از این حیث از اهمیت بالایی برخوردار است که یک نگاه کلی به تمام سیستم‌ها دارد و صرف‌نظر از پیچیدگی‌های سیستم‌های مهندسی با در دست داشتن داده‌های تاریخی و داده‌های بلادرنگی یا Realtime به تحلیل آن‌ها پرداخته و پیش‌بینی‌هایی با دقت بالا را ارائه می‌دهد.

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش، با استفاده از داده‌های جمع‌آوری‌شده از سیستم‌های مهندسی به طراحی و پیاده‌سازی مدل‌های یادگیری ماشین به منظور پیش‌بینی پارامترهای اساسی آن‌ها پرداخته شده است. آموزش در محیط نرم‌افزار پایتون و با استفاده از پکیج‌های قدرتمند تحلیل داده و مصورسازی داده و پیاده‌سازی مدل‌ها انجام می‌شود. بدین صورت که در ابتدا به بیان اصول ابتدایی نرم‌افزار برای تحلیل داده پرداخته می‌شود که شامل معرفی و مروری بر پکیج‌های Pandas و Numpy برای تحلیل داده‌ها، پکیج‌های Matplotli و Seaborn برای مصورسازی داده است.

در ادامه به مروری خلاصه بر الگوریتم‌های معروف یادگیری ماشین در حیطه Regression و Classification پرداخته می‌شود و معیارهای متنوع برای ارزیابی مدل‌ها مرور می‌شوند. در بخش‌های بعدی آموزش، چندین دیتاست مهندسی در زمینه‌های مختلف از جمله انرژی‌های تجدیدپذیر، فرایند ساخت افزایشی (Additive Manufacturing) و تعمیرات و نگهداری (Predictive Maintenance) در محیط نرم‌افزار وارد شده و مدل‌های متانسب برای آن‌ها طراحی می‌شود.

سرفصل‌های دوره

  • چکیده
    0:01:36

  • مقدمات یادگیری ماشین
    رایگان 0:08:20
  • بررسی مدل‌های رگرسیون (Regression)
    0:12:52
  • بررسی مدل‌های دسته‌بندی (Classification)
    0:10:07
  • معیارهای ارزیابی مدل یادگیری ماشین
    رایگان 0:11:23
  • تمرین ۱ - معیارهای دسته‌بندی مدل‌های رگرسیونی
  • آزمون ۱

  • شرح مساله توربین بادی
    0:04:54
  • آماده‌سازی دیتاست توربین بادی در ژوپیتر (Jupyter)
    0:10:47
  • مصورسازی داده‌ها و بررسی کوریلیشن‌ها
    0:12:11
  • عملیات پیش‌پردازش داده‌ها
    رایگان 0:08:47
  • پیاده‌سازی الگوریتم رگرسیون خطی
    0:10:58
  • پیش‌بینی به وسیله مدل رگرسیون خطی
    0:09:39
  • پیاده‌سازی الگوریتم‌های شبکه الاستیک و نزدیک‌ترین همسایه
    0:10:32
  • مقایسه عملکرد مدل‌های پیاده‌سازی‌شده
    0:04:25
  • مقایسه تئوری الگوریتم‌های رگرسیونی و نتایج
    0:08:48
  • تمرین ۱ - تئوری حاکم بر توربین بادی
  • تمرین ۲ - توزیع گوسی/ نرمال
  • آزمون ۲

  • شناخت مساله فرایند پرینت سه‌بعدی
    رایگان 0:06:03
  • آماده‌سازی داده‌های تجربی پرینت سه‌بعدی
    0:05:14
  • روش‌های کدگذاری عددی داده‌های رشته‌ای (Encoding)
    0:07:34
  • آنالیز همبستگی داده‌ها (Correlation)
    0:08:26
  • پیاده‌سازی الگوریتم KNN در دسته‌بندی
    0:08:01
  • ارزیابی مدل KNN
    0:10:40
  • پیاده‌سازی الگوریتم رگرسیون لجستیکی
    0:07:50
  • ارزیابی مدل رگرسیون لجستیکی
    0:04:31
  • پیاده‌سازی مدل بردار پشتیبان (SVM)
    رایگان 0:08:16
  • ارزیابی SVM و روش ماتریس سردرگمی
    0:06:35
  • تمرین ۱ - پرینت سه‌بعدی
  • تمرین ۲ - معیارهای ارزیابی Classification
  • آزمون ۳

  • بررسی دیتاست نگهداری پیشگیرانه
    0:05:01
  • آنالیز دیتاست نگهداری پیشگیرانه
    0:10:01
  • کدگذاری ماشین‌آلات در دیتاست
    0:13:53
  • ساده‌سازی سری‌های ماشین‌آلات موجود
    0:04:29
  • آنالیز خرابی بر اساس شاخصه‌ها به صورت گرافیکی
    رایگان 0:09:32
  • بررسی پارامترهای زمانی موثر در مدل
    0:14:12
  • آنالیز داده‌های ساختگی (Dummy Variable)
    0:05:40
  • پیاده‌سازی مدل رگرسیون لجستیکی
    0:10:57
  • رفع مشکل Unbalancing
    رایگان 0:06:27
  • پیاده‌سازی جمعی مدل‌های دسته‌بندی
    0:08:49
  • ارزیابی مدل‌ها و نتیجه‌گیری
    0:14:46
  • تمرین ۱ - عدم توازن در دیتاست
  • تمرین ۲ - مدل‌های Classification
  • آزمون ۴

  • جمع‌بندی و نتیجه مباحث
    0:01:44
  • ادامه یادگیری
    0:02:17
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • تمرین ۱ - مصورسازی داده‌ها
  • تمرین ۲ - پیش‌پردازش داده‌ها

  • آموزش ​پروژه‌ محور یادگیری ماشین در پایتون – ویژه مهندسی مکانیک

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,890,000 تومان
578,000 تومان
80% تخفیف

این دوره شامل:
9 فصل آموزشی
5:6:17 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 14:11:13
تعداد امتیازها: 1
تعداد دانشجو: 133
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: